{"id":65520,"date":"2019-12-22T16:29:46","date_gmt":"2019-12-22T16:29:46","guid":{"rendered":"https:\/\/www.gantner-instruments.com\/daten-in-erkenntnisse-umwandeln\/"},"modified":"2025-02-17T09:26:02","modified_gmt":"2025-02-17T09:26:02","slug":"daten-in-erkenntnisse-umwandeln","status":"publish","type":"post","link":"https:\/\/www.gantner-instruments.com\/de\/blog\/daten-in-erkenntnisse-umwandeln\/","title":{"rendered":"Daten in Erkenntnisse umwandeln"},"content":{"rendered":"\n

Die Testgemeinschaft f\u00fcr Elektrofahrzeuge muss sich mit immer komplexeren Produkten und schnelleren Entwicklungszyklen auseinandersetzen, was bedeutet, dass die Testlabore unter st\u00e4ndigem Druck stehen. Die F\u00e4higkeit, Testdaten effizient zu analysieren, war daher noch nie so wichtig wie heute. Die Kosten m\u00fcssen so niedrig wie m\u00f6glich gehalten werden, w\u00e4hrend gleichzeitig immer gr\u00f6\u00dfere Datenmengen von Sensoren verarbeitet werden. Ingenieure m\u00fcssen Testdaten in Echtzeit \u00fcberwachen und analysieren, egal wie viele Daten es zu sichten gibt. Kein Wunder also, dass sie nach neuen Wegen suchen, um die Testeffizienz zu verbessern und das Risiko minderwertiger Daten zu verringern. <\/p>\n\n

Bei der Erfassung werden elektrische und mechanische Signale mit Abtastraten im Kilohertz-Bereich gemessen und m\u00fcssen hochsynchronisiert werden. Gerade bei diesen Tests f\u00e4llt eine \u00fcberw\u00e4ltigende Menge an Daten an. Die eigentliche Herausforderung ist die Speicherung und Aufbewahrung dieser Daten. Der Umgang mit solch gro\u00dfen Mengen an strukturierten und unstrukturierten Daten erfordert ein adaptives und skalierbares Daten-Backend. Um den sich st\u00e4ndig \u00e4ndernden Anforderungen, Setup-Konfigurationen, Parametererweiterungen und Abtastraten gerecht zu werden, ist eine Trennung zwischen hei\u00dfen und kalten Daten hilfreich. <\/p>\n\n

Die “kalten Daten”, auf die seltener zugegriffen wird und die nur f\u00fcr die Pr\u00fcfung oder Nachbearbeitung ben\u00f6tigt werden, werden in einer verteilten Streaming-Plattform gespeichert, die je nach Bedarf skaliert werden kann. Die “hei\u00dfen Daten”, auf die zu Analysezwecken in Echtzeit zugegriffen wird, werden in einer NoSQL-Zeitseriendatenbank bereitgestellt. Diese Datenbank speichert die Messwerte sicher in redundanten, fehlertoleranten Clustern. Eine flexible Datenaggregation sorgt daf\u00fcr, dass jederzeit die richtige Granularit\u00e4t verf\u00fcgbar ist. Die Daten k\u00f6nnen dann f\u00fcr eine detaillierte Analyse der Testereignisse auf verschiedene Weise wiedergegeben und aggregiert werden. Dieser Ansatz minimiert die IT-Betriebskosten und die Speicherinfrastruktur im Testlabor. <\/p>\n\n

\n

Die Pr\u00fcfung des Antriebsstrangs von Elektrofahrzeugen ist ein typischer Anwendungsfall, bei dem ein skalierbares Daten-Backend erhebliche Vorteile bietet. Vor allem bei der Echtzeitbewertung der Leistung und des Elektromotors werden gro\u00dfe Datenmengen erzeugt. Die Datenraten k\u00f6nnen von 10 Samples\/Sekunde bis zu 4.000.000 Samples\/Sekunde reichen. Die Herausforderung besteht darin, all diese Daten zu speichern und sie gleichzeitig rund um die Uhr f\u00fcr die schnelle Analyse kontinuierlicher und ausgel\u00f6ster Datenstr\u00f6me verf\u00fcgbar zu halten. <\/p>\n\n\n\n

Um Daten zu erfassen, zu analysieren und zu speichern und ihre Verf\u00fcgbarkeit f\u00fcr Anwendungen zu gew\u00e4hrleisten, entschied sich Gantner f\u00fcr Apache Kafka, eine Daten-Streaming-Plattform, um kalte Daten zu verwalten, und die verteilte Datenbank CrateDB, um hei\u00dfe Daten zu verarbeiten. Die Arbeit mit diesem skalierbaren Daten-Backend-Konzept zeigt, wie leistungsf\u00e4hig die Kombination von Edge Computing, Big Data-Verarbeitung und maschinellem Lernen ist. <\/p>\n<\/div>

\"infoChart-e-Antrieb-Antriebsstrang\"<\/figure><\/div>\n\n

Pr\u00fcflabore verwenden spezialisierte Steuerungs-, \u00dcberwachungs- und Datenerfassungssysteme, denen es jedoch oft an der notwendigen Integration zwischen diesen Systemen mangelt, was zu einer sp\u00e4ten Fehlererkennung in den zu pr\u00fcfenden Systemen f\u00fchren kann. Die Philosophie von Gantner ist es, den Kunden offene Schnittstellen zur Verf\u00fcgung zu stellen, um Daten zu speichern und an die gew\u00fcnschte Stelle zu senden, so dass eine nahtlose Integration mit jedem \u00dcberwachungs-, Analyse- und Berichtstool m\u00f6glich ist. <\/p>\n\n

F\u00fcr Pr\u00fcflabore, die mit automatisierten Pr\u00fcfsystemen ausgestattet sind, bietet das Application Programming Interface (API) des Unternehmens eine einfache M\u00f6glichkeit, die L\u00f6sung in ihre bestehenden Umgebungen zu integrieren. Da sich die Analyse- und Fehlererkennungsmethoden je nach Anwendung unterscheiden, sind standardisierte Schnittstellen f\u00fcr die Integration in bestehende Architekturen, Visualisierungsmethoden und Berichtsroutinen unerl\u00e4sslich, zum Beispiel f\u00fcr die genaue Berechnung von Leistungsfaktor, Scheinleistung und Blindleistung aus Rohmessdaten. <\/p>\n\n

Mit einer anpassungsf\u00e4higen und skalierbaren Daten-Backend-L\u00f6sung bietet Gantner Instruments Testlabors die Plattform, die sie ben\u00f6tigen, um physikalische Daten in Echtzeit zu erfassen, zu \u00fcberwachen, zu analysieren und darauf zu reagieren, unabh\u00e4ngig vom Datenvolumen – und so Daten direkt in Erkenntnisse zu verwandeln.<\/p>\n\n

Erleben Sie die neue Plattform f\u00fcr moderne und robuste Messaufbauten<\/h3>\n\n

Die GI.bench Softwareplattform<\/a> vereint schnellere Versuchsaufbauten, Projektkonfiguration und -abwicklung sowie die Visualisierung von Datenstr\u00f6men in einer digitalen Workbench. Sie erm\u00f6glicht es Ihnen, Ihre Mess- und Pr\u00fcfaufgaben im laufenden Betrieb zu konfigurieren, auszuf\u00fchren und zu analysieren. Greifen Sie \u00fcberall auf Live- und historische Messdaten zu. <\/p>\n\n\"GI.bench<\/a><\/span>